IDENTIFICACIÓN DE UN SISTEMA DE CONTROL DE...

IDENTIFICACIÓN DE UN SISTEMA DE CONTROL DE NIVEL Y FLUJO

UTILIZANDO REDES NEURONALES ARTIFICIALES

CAMILO ANDRÉS MORALES ESPITIA

JENNIFER LORENA MORENO BERMUDEZ

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD TECNOLÓGICA

INGENIERÍA MECÁNICA

BOGOTÁ

2017

IDENTIFICACIÓN DE UN SISTEMA DE CONTROL DE NIVEL Y FLUJO

UTILIZANDO REDES NEURONALES ARTIFICIALES

CAMILO ANDRÉS MORALES ESPITIA

JENNIFER LORENA MORENO BERMUDEZ

TRABAJO DE GRADO PARA OBTENER EL TÍTULO DE INGENIERO(A)

MECÁNICO(A)

PROFESOR GUÍA: ING. LUINI LEONARDO HURTADO CORTES

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD TECNOLÓGICA

INGENIERÍA MECÁNICA

BOGOTÁ

2017

3

AGRADECIMIENTOS

En primer lugar, a nuestras familias por su apoyo incondicional en el transcurso

de nuestra carrera. Al ingeniero Luini Hurtado por ser un guía en la elaboración

y ejecución del proyecto. A la Universidad por prestar el servicio del laboratorio

especializado de electrónica, y así mismo el apoyo incondicional del

laboratorista.

4

CONTENIDO

LISTA DE FIGURAS ................................................................................................. 6

LISTA DE TABLAS ................................................................................................... 8

LISTA DE ANEXOS .................................................................................................. 9

RESUMEN .............................................................................................................. 10

INTRODUCCIÓN .................................................................................................... 11

1. REDES NEURONALES ARTIFICIALES ............................................................. 12

1.2 VENTAJAS DE UTILIZAR RNA ..................................................................... 13

1.3 CARACTERÍSTICAS DE UNA RED NEURONAL .......................................... 13

1.4 FUNCIONAMIENTO DE LA RED NEURONAL .............................................. 15

1.5 ARQUITECTURA DE LAS REDES NEURONALES ARTIFICIALES .............. 16

1.6 CLASIFICACIÓN DE LAS REDES NEURONALES ARTIFICIALES ............... 16

1.6.1 Topología o estructura de la red ............................................................. 17

1.6.2 Flujo de datos de la red .......................................................................... 17

1.6.3 Grado de conexión ................................................................................. 17

1.6.4 Respuesta de la red ............................................................................... 18

1.7 TIPO DE APRENDIZAJE ............................................................................... 18

1.7.1 Aprendizaje supervisado ........................................................................ 18

1.7.2 Aprendizaje no supervisado ................................................................... 18

1.8 ENTRENAMIENTO DE LA RED NEURONAL ................................................ 20

2. DESCRIPCIÓN DE LA PLANTA DE CONTROL DE NIVEL Y FLUJO AMATROL

T5552 ..................................................................................................................... 22

2.1 TRANSMISOR DE PRESIÓN DIFERENCIAL ................................................ 25

2.2 TRANSDUCTOR DE FLUJO VENTURI ........................................................ 25

2.3 VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO ............................... 26

2.4 SENSOR DE NIVEL POR ULTRASONIDO ................................................... 27

2.5 SENSOR DE NIVEL DE PRESIÓN HIDROSTÁTICA .................................... 27

2.6 VÁLVULAS MANUALES ............................................................................... 28

2.7 SISTEMA DE ADQUISICIÓN DE DATOS ...................................................... 29

3. RECOLECCIÓN DE DATOS DE LA PLANTA AMATROL T 5552....................... 31

3.1 ADECUACIÓN DE LA PLANTA ..................................................................... 31

3.2 TOMA DE DATOS ......................................................................................... 32

3.2.1 PRUEBA 1 ............................................................................................. 32

3.2.2 PRUEBA 2 ............................................................................................. 32

3.2.3 PRUEBA 3 ............................................................................................. 33

4. ENTRENAMIENTO DE LA RNA ......................................................................... 38

4.1 ENTRENAMIENTO VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO 38

4.2 ENTRENAMIENTO TANQUE DE PROCESO ............................................... 50

5. COMPARACIÓN CON MODELO ANALÍTICO .................................................... 59

5

5.1 COMPARACIÓN CON MODELO ANALÍTICO DE LA VÁLVULA

PROPORCIONAL DE CONTROL DE FLUJO...................................................... 59

5.1.1 Comparación función de transferencia del modelo analítico y modelo RNA

válvula............................................................................................................. 65

5.2 COMPARACIÓN CON MODELO ANALÍTICO DEL TANQUE ........................ 68

5.2.1 Comparación función de transferencia del modelo analítico y modelo RNA

tanque ............................................................................................................. 73

CONCLUSIONES ................................................................................................... 77

BIBLIOGRAFÍA ....................................................................................................... 78

6

LISTA DE FIGURAS

Figura 1. Tipos de capas ........................................................................................ 14

Figura 2. Neurona con entradas individuales .......................................................... 15

Figura 3. Red neuronal con una capa oculta ........................................................... 15

Figura 4. Funciones de transferencia ...................................................................... 16

Figura 5. Red monocapa ........................................................................................ 17

Figura 6. Clasificación de las redes neuronales ...................................................... 19

Figura 7. Propagación de las señales de algoritmo retropropagación ..................... 20

Figura 8. Procedimiento de identificación ............................................................... 21

Figura 9. Planta de control de nivel y flujo amatrol T 5552 ...................................... 22

Figura 10. Ubicación de componentes de la planta amatrol T 5552 ........................ 23

Figura 11. Transmisor de presión diferencial .......................................................... 25

Figura 12. Tubo venturi ........................................................................................... 26

Figura 13. Válvula proporcional de control de flujo .................................................. 26

Figura 14. Sensor de nivel por ultrasonido .............................................................. 27

Figura 15. Sensor de nivel de presión hidrostática .................................................. 28

Figura 16. Válvulas de drenaje Figura 17. Válvula de control de flujo ................. 28

Figura 18. Dispositivo de adquisión de datos .......................................................... 29

Figura 19. Sistema de monitorización ..................................................................... 31

Figura 20. Sub-sistema de estudio: válvula ............................................................. 33

Figura 21. Toma 3 válvula – corriente vs tiempo ..................................................... 34

Figura 22. Toma 3 válvula – caudal vs tiempo ........................................................ 34

Figura 23. Sub-sistema de estudio: tanque ............................................................. 35

Figura 24. Toma 3 tanque – caudal vs tiempo ........................................................ 36

Figura 25. Toma 3 tanque – nivel ultrasonido vs tiempo ......................................... 36

Figura 26. Toma 3 tanque – nivel presión hidrostática vs tiempo ............................ 37

Figura 27. App carga de datos ................................................................................ 38

Figura 28. Plataforma para cargar datos al workspace ........................................... 39

Figura 29. Matrices de datos de entrenamiento ...................................................... 39

Figura 30. Comando de entrenamiento para interfaz de la RNA ............................. 40

Figura 31. Interfaz de entrenamiento para redes neuronales .................................. 40

Figura 32. Interfaz de entrenamiento para redes de retro propagación ................... 41

Figura 33. Plataforma para carga individual de datos de entrada y salida para

entrenamiento ......................................................................................................... 41

Figura 34. Porcentajes de validación de entrenamiento .......................................... 42

Figura 35. Asignación de neuronas de la capa oculta ............................................. 43

Figura 36. Trabajo de entrenamiento ...................................................................... 43

Figura 37. Resultados entrenamiento ..................................................................... 44

Figura 38. Interfaz de entrenamiento para RNA válvula de control ......................... 45

Figura 39. Entrenamiento de la RNA válvula de control .......................................... 46

7

Figura 40. Tendencia de validación del entrenamiento para la válvula de control ... 47

Figura 41. Función de ajuste y error del entrenamiento de la válvula de control ..... 48

Figura 42. Diagrama de regresión del entrenamiento válvula de control ................. 49

Figura 43. Histograma de error al entrenamiento de la válvula de control ............... 50

Figura 44. Interfaz de entrenamiento para RNA tanque .......................................... 51

Figura 45. Entrenamiento de la RNA tanque ........................................................... 52

Figura 46. Tendencia de validación del entrenamiento para el tanque .................... 53

Figura 47. Función de ajuste y error del entrenamiento del tanque ......................... 54

Figura 48. Histograma de error al entrenamiento del tanque .................................. 55

Figura 49. Diagrama de regresión del entrenamiento tanque ................................. 56

Figura 50. Obtención cubo de comportamiento de la RNA ..................................... 57

Figura 51. Diagrama de simulink de una RNA ........................................................ 58

Figura 52. Aplicación de identificación del sistema ................................................. 59

Figura 53. Importación de datos ............................................................................. 60

Figura 54. Importación de matrices de datos .......................................................... 61

Figura 55. Gráficas de entrada y salida de datos válvula optimizadas .................... 62

Figura 56. Gráfica de salida del modelo .................................................................. 63

Figura 57. Respuesta de frecuencia ....................................................................... 64

Figura 58. Tiempos de respuesta de datos válvula de control................................. 64

Figura 59. Identificación de la función de transferencia por el modelo analítico ...... 65

Figura 60. Porcentaje de similitud electroválvula .................................................... 66

Figura 61. Función de transferencia electroválvula ................................................. 67

Figura 62. Diagrama de funcionalidad en simulink .................................................. 67

Figura 63. Diagrama señal de salida trabajo válvula ............................................... 68

Figura 64. Interfaz de introducción y optimización de datos tanque ........................ 69

Figura 65. Gráficas de entrada y salida de datos tanque optimizadas .................... 70

Figura 66. Gráfica del modelo-salida tanque ........................................................... 70

Figura 67. Respuesta de paso tanque .................................................................... 71

Figura 68. Respuesta de frecuencia ....................................................................... 72

Figura 69. Identificación de la función de transferencia por el modelo analítico

tanque .................................................................................................................... 73

Figura 70. Porcentaje de similitud tanque ............................................................... 74

Figura 71. Función de transferencia tanque ............................................................ 74

Figura 72. Diagrama de funcionalidad en simulink tanque ...................................... 75

Figura 73. Diagrama señal de salida trabajo tanque ............................................... 76

8

LISTA DE TABLAS

Tabla 1. Partes de la planta amatrol T 5552 ........................................................... 24

Tabla 2. Especificaciones técnicas de la tarjeta Arduino ......................................... 29

9

LISTA DE ANEXOS

Anexo A. Datos entreno

Anexo B. Datos en Excel para el entrenamiento de la válvula

Anexo C. Datos en Excel para el entrenamiento del tanque

NOTA: Todos los anexos se encuentran en el CD adjunto.

10

RESUMEN

En este trabajo de investigación, se desarrolló el proceso de la identificación

de un sistema de control de nivel y flujo a través de redes neuronales

artificiales. Inicialmente, se detallaron las RNA: ventajas, características,

arquitectura, clasificación, y su desempeño en la identificación.

Posteriormente, se realizó una descripción del funcionamiento y de las partes

de la planta AMATROL T5552, incluyendo el sistema de adquisición de datos,

el cual fue primordial para el siguiente paso que fue la recolección de datos de

la planta. Dichos datos fueron obtenidos en una serie de pruebas, ya que al

realizar la primera prueba se evidenció, por medio de Matlab, que no era

suficiente y se debía repetir hasta obtener mejores resultados. Finalmente, se

seleccionó la prueba con mayor porcentaje de viabilidad para continuar con el

proceso.

Luego, se llevó a cabo el proceso de entrenamiento de las redes neuronales

artificiales, explicado detalladamente para cada uno de los sub-sistemas de

estudio seleccionados, que fueron la válvula proporcional de control de flujo y

el tanque. Por último, se hizo la comparación con el modelo analítico de la

válvula y del tanque, obteniendo finalmente la función de transferencia como

resultado final.

11

INTRODUCCIÓN

Actualmente son diversos los procesos que se encuentran en la industria sin

importar lo grande o pequeña que sea. Para esto, es importante poder contar

con un modelo que permita el diagnóstico de fallas, y de esta manera diseñar

reguladores que permitan ciertas especificaciones de funcionamiento más

exactos; de aquí la relevancia del uso de las redes neuronales, ya que éstas

principalmente permiten generar estrategias de identificación automático para

procesos no lineales y además multivariables. En el caso del sistema de

control de nivel y flujo AMATROL T5552, tiene un dispositivo para control PID,

el único que permiten tener un seguimiento tanto de nivel como de flujo de un

fluido, pero no permite la detección y diagnóstico de fallas.

Para el manejo de los datos dentro de un modelo que permita el control,

detección y diagnóstico de fallas del sistema de control de nivel y flujo

AMATROL T5552, se seleccionó el método de entrenamiento de una red

neuronal a partir de datos de monitorización del proceso con la implementación

de un sistema de adquisición de datos que captura, procesa y transmite las

variables a un ordenador. Este es el proceso más adecuado para este

proyecto, ya que una red neuronal tiene la capacidad de aprender a realizar

tareas basadas en un entrenamiento o en una experiencia inicial; además de

ello realiza las operaciones en tiempo real.

Por medio de los datos arrojados por la tarjeta (EDAS/VIS) de control y

recolección de información, se entrenó una red neuronal artificial de

retropropagación (blackpropagation) para que el sistema de control de nivel y

flujo AMATROL T5552 tuviera un funcionamiento autónomo de constante

aprendizaje y generar un control óptimo del mismo.

Es por lo anterior que en este trabajo se entrenó una red neuronal artificial para

identificar un sistema de control de nivel y flujo AMATROL T5552 para usarse

en tareas de control, detección y diagnóstico de fallas.

12

1. REDES NEURONALES ARTIFICIALES

Los estímulos recibidos en el cerebro son transmitidos entre las neuronas

mediante las conexiones sinápticas, cuando una neurona es estimulada libera

una pequeña cantidad de un componente químico (neurotransmisor), este

viaja a través del axón hasta llegar a las dendritas de otras neuronas en las

cuales el proceso se repite. Este proceso sirve para incrementar o disminuir la

relación entre las neuronas involucradas en él. Así, ante un determinado

estímulo ciertas neuronas se activan y otras se inhiben.

Mediante un proceso de aprendizaje se logran establecer los niveles correctos

de activación-inhibición de las neuronas, cuando este proceso se completa;

entonces ante determinados estímulos sabemos cómo responder y

“aprendemos”, el conocimiento adquirido está en los niveles de relación entre

las neuronas, entonces durante el proceso de aprendizaje el cerebro es

“entrenado” por repetición de estímulos.

Emulando entonces el funcionamiento del cerebro una red neuronal artificial

es un modelo matemático inspirado en el comportamiento biológico de las

neuronas y de las estructuras del cerebro; es desde la primera mitad del siglo

XX que han empezado a desarrollar modelos computacionales que han

intentado asemejar el comportamiento del cerebro humano (McCULLOCH &

PITTS, 1990).

La virtud de las redes neuronales artificiales reside en su capacidad para

aprender funciones complejas o no lineales entre variables sin necesidad de

imponer presupuestos o restricciones de partida en los datos, pero es claro

que el uso de esta tecnología computacional es relativamente reciente en el

problema de las conductas adictivas (MONTAÑO & PALMER, 1999).

Debido a su naturaleza y a sus elementos, las redes neuronales artificiales

presentan un gran número de características semejantes a las del cerebro. Por

ejemplo, son capaces de aprender de la experiencia, de generalizar de casos

anteriores a nuevos casos, de abstraer características esenciales a partir de

entradas que representan información irrelevante, etc.

Una red neuronal artificial es un sistema computacional compuesto por

elementos que están interconectados en paralelo y jerárquicamente, los cuales

13

procesan información por medio de su estado dinámico como respuesta a las

entradas externas (BANKS, 1991).

Las redes neuronales artificiales, asemejan propiedades biológicas del

funcionamiento del cerebro humano, como la capacidad de memorizar y

asociar hechos, basado precisamente en los sistemas neuronales, a través de

modelos matemáticos implementados en diversas industrias.

Una sólo neurona es diminuta, pero cuando se conectan miles de neuronas

pueden llegar a resolver complejos problemas para lo que hayan sido

entrenadas.

1.2 VENTAJAS DE UTILIZAR RNA

Debido a su condición de aprender a partir de experiencias, el uso de RNA en

cualquier campo representa ventajas como:

Aprendizaje adaptativo: Es la capacidad de aprender a realizar una actividad

basada en una experiencia inicial.

Auto organización: Puede crear su propia organización de la información que

recibe mediante una etapa de aprendizaje.

Tolerancia a fallos: Si se destruye parcialmente una red, degrada su

estructura, sin embargo, puede retener algunas de sus capacidades así sufra

un gran daño.

El tiempo de operación es en tiempo real (MATICH, 2001).

1.3 CARACTERÍSTICAS DE UNA RED NEURONAL

Las redes neuronales han demostrado ser efectivas como procesos

computacionales en varias tareas como el reconocimiento de patrones y se

destacan por tener características como:

Robustez y tolerancia a fallas.

Maneja información difusa, con ruido, incompleto o inconsistente.

Alto grado de paralelismo.

Capacidad de generalizar.

Aprendizaje adaptativo (MIHAICH, 2014).

14

Las redes neuronales están formadas por 3 tipos de neuronas que se

constituyen a partir de un vector de entradas externas o un estímulo recibido

de otras neuronas y dan como respuesta una única salida:

Neuronas de entrada: reciben las señales externas o por medio de

sensores.

Neuronas ocultas: reciben estímulos y emiten salidas en el sistema,

como tal se encargan de procesar la información. No tienen ningún

contacto con el exterior.

Neuronas de salida: emiten una salida externa, después de que finaliza

el tratamiento de la información (MATICH, 2001).

Figura 1. Tipos de capas

Fuente. VÍLCHEZ, Víctor. Estimación y clasificación de daños en materiales utilizando

modelos AR

Tal como lo muestra la figura, una red neuronal está constituida por neuronas

interconectadas entre sí, comenzando por el ingreso de los datos en la capa

de entrada, el procesamiento y tratamiento de la información en las capas

ocultas y finalmente la señal de salida que emiten las capas de salida

(MATICH, 2001).

Las neuronas artificiales también pueden tener más de una entrada como lo

muestra la siguiente figura:

15

Figura 2. Neurona con entradas individuales

Fuente. SANCHO, Fernando. Redes Neuronales: una visión superficial.

Se observa una neurona con xj entradas: las entradas individuales son

multiplicadas por los pesos correspondientes pertenecientes a la matriz de

pesos. La neurona tiene una ganancia o umbral que llega al mismo sumador

al que llegan las entradas multiplicadas por los pesos para formar la salida (DE

LA FÉ-DOTRES, DOMÍNGUEZ, & SIERRA, 2010).

1.4 FUNCIONAMIENTO DE LA RED NEURONAL

Una red neuronal tiene la capacidad de reconocer relaciones complejas y no

lineales entre distintas variables, a partir de las neuronas disponiendo de una

completa red en paralelo. Las más sencillas constan de una capa de entrada,

una capa oculta y una capa de salida:

Figura 3. Red neuronal con una capa oculta

Fuente. GARCÍA, Miguel. BillionBytes. Redes neuronales e inteligencia artificial.

16

El funcionamiento de una neurona consiste en la transformación de los valores

de entrada a través de las conexiones en una salida. Se caracterizan por los

siguientes elementos:

1. La función de propagación más conocida consiste en la sumatoria de

todas las entradas y luego multiplicarlas por los pesos de las

conexiones más un valor de sesgo.

2. La función de activación, que, si existe, cumple la función de activar o

desactivar la salida de la neurona.

3. La función de transferencia se aplica al resultado de la función de

propagación (ANDRADE, 2013):

Figura 4. Funciones de transferencia

Fuente. FIGUERES, Miguel. Introducción a las redes neuronales artificiales. Sistemas

inteligentes de ingeniería civil. 2010

1.5 ARQUITECTURA DE LAS REDES NEURONALES ARTIFICIALES

La arquitectura de una red neuronal depende de cuatro parámetros

principales:

El número de capas del sistema.

El número de neuronas por capa.

El grado de conectividad entre las neuronas.

El tipo de conexiones neuronales.

Para entender un poco más de la arquitectura de las redes, a continuación la

clasificación. (BALLESTEROS, 2015)

1.6 CLASIFICACIÓN DE LAS REDES NEURONALES ARTIFICIALES

Se pueden clasificar según:

17

1.6.1 Topología o estructura de la red

Consiste en la disposición de las neuronas en la red ya que se pueden agrupar

formando capas que contengan propiedades muy diferentes, existen:

Redes Monocapa: como lo dice su nombre, solamente tienen una capa. Se

han utilizado en gran medida para circuitos eléctricos por medio de matrices

de diodos que representas las conexiones de las neuronas.

Figura 5. Red monocapa

Fuente. Neural Networks Framework. Recuperado de http://www.redes-

neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-las-redes-neuronales-

artificiales.htm

Redes Multicapa: Está formado por varias capas de entrada, oculta y salida.

La capa a la que pertenece una neurona puede distinguirse observando la

señal de origen y así mismo su destino. (BALLESTEROS, 2015)

1.6.2 Flujo de datos de la red

Redes unidireccionales o de propagación hacia adelante (feddforward):

ninguna salida neuronal es entrada de la misma capa o capas procedentes.

La información circula en un único sentido.

Redes de propagación hacia atrás (feedback): las salidas pueden utilizarse

como entradas para la misma capa o niveles anteriores. Se denominan

también sistemas recurrentes (MATICH, 2001).

1.6.3 Grado de conexión

18

Redes neuronales totalmente conectadas: todas las neuronas de una capa se

encuentran conectadas tanto con las de la capa siguiente como con las de la

capa anterior. (No recurrentes y recurrentes en su orden)

Redes neuronales parcialmente conectadas: no se tiene conexión entre todas

las neuronas de diferentes capas.

1.6.4 Respuesta de la red

Redes heteroasociativas: redes que son entrenadas para que cuando se

presente un patrón responda con otro diferente.

Redes autoasociativas: están entrenadas para que un patrón se asocie

consigo mismo. Como tal, la respuesta ante un patrón que reciba ruido o

interferencia responda nuevamente como el patrón original. (MATICH, 2001)

1.7 TIPO DE APRENDIZAJE

Es el proceso de entrenamiento de la red presentando los patrones a aprender

y el cambio de los pesos de las conexiones sinápticas usando una regla de

aprendizaje. Normalmente, se ejecutan los patrones iterativamente cambiando

los pesos de la sinapsis hasta que convergen a un conjunto de pesos óptimos.

Se identifican los siguientes modos de aprendizaje:

1.7.1 Aprendizaje supervisado

La red dispone de patrones de entrada y los patrones de salida que se desean

para dicha entrada y en función de esto se varía el peso de la sinapsis para

ajustar y llegar al resultado deseado.

1.7.2 Aprendizaje no supervisado

No se dispone de patrones de salida sino únicamente patrones de entrada y

permitir a la red clasificar y reconocer a los patrones (FIGUERES, 2013).

A continuación, un mapa conceptual de la clasificación de las redes

neuronales:

19

Figura 6. Clasificación de las redes neuronales

Fuente. Neural Networks Framework. Recuperado el 1 de 8 de 2017, de http://www.redes-neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-las-redes-

neuronales-artificiales.htm

http://www.redes-neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-las-redes-neuronales-artificiales.htm

http://www.redes-neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-las-redes-neuronales-artificiales.htm

20

Para el caso del presente trabajo, se seleccionó una red neuronal de

retropropagación que es capaz de aproximar cualquier función no lineal con cierto

grado de precisión (ÁLVAREZ & AMIGO, 2003).

Figura 7. Propagación de las señales de algoritmo retropropagación

Fuente. COLOMER, Joan., MELÉNDEZ, Joaquim., & AYZA, Jordi. Sistemas de supervisión.

1.8 ENTRENAMIENTO DE LA RED NEURONAL

El objetivo del entrenamiento de la red es que tenga la capacidad de minimizar la

función de error, lo que en otras palabras significa que la salida de la red se

aproxime a la salida en los datos.

Para el entrenamiento de la red neuronal artificial en MatLab se pueden utilizar

diferentes herramientas como las que se explican a continuación:

1. Por medio de códigos desde la línea de comandos o desde el workspace de

MATLAB.

2. Utilizando el conjunto de bloques incluidos en el toolbox de Control Systems de

Neural Networks Blockseten Simulink.

3. A través de la Interfaz Gráfica de Usuario (GUI por sus siglas en ingles) de

Redes Neuronales Artificiales (ASTOCONDOR, 2010).

Como tal, el procedimiento del entrenamiento de la red neuronal consiste en que

aprenda un comportamiento específico para poder corregir fallas en los procesos.

En cuanto a la identificación del sistema los pasos a seguir son los siguientes:

21

Figura 8. Procedimiento de identificación

Fuente. GARRIDO, J., REYNA, P., VÁZQUEZ, M., & GARCÍA, A. Control de Nivel a través de

Redes Neuronales

22

2. DESCRIPCIÓN DE LA PLANTA DE CONTROL DE NIVEL Y FLUJO

AMATROL T5552

Es fundamental para el desarrollo del proyecto, conocer los componentes y el

funcionamiento de la planta que se va a trabajar, por lo que las guías del fabricante

se deben estudiar y tener presentes para comprender la operación. Con el

conocimiento previo que se tiene del entrenamiento de redes neuronales artificiales

y consultas de diferentes artículos relacionados con el tema, se evidencia la

aplicación que tiene en la planta.

En la actualidad, las diferentes industrias requieren garantizar altos índices de

calidad para así mismo aumentar su productividad y ganancia, a lo que el control de

los diferentes procesos industriales es indispensable para alcanzar dichos objetivos.

Los sistemas de control controlan variables de líquido y gas como caudal, presión,

temperatura, nivel de líquido, densidad y PH. Para el caso de esta planta T5552, se

controla el flujo y el nivel de líquido por medio de un tanque, un sensor de nivel, una

válvula y un controlador.

Figura 9. Planta de control de nivel y flujo amatrol T 5552

Fuente. Guía Amatrol DB270-XD00XEN process control learning system installation guide

2011.

23

Como tal, la planta está conformada por una estación de trabajo que está construida

de acero de alta resistencia, una red de control de procesos y un panel de control.

Se conecta por medio de un circuito cerrado de tubería PVC con conexiones para

controlar el flujo de agua de dos tanques o el nivel de líquido del tanque, incluyendo

válvulas.

La planta requiere suministro de agua, aire y electricidad 220VAC para su

funcionamiento. Todos los componentes tienen conectores banana en el panel de

control para permitir medir señales y conectar los dispositivos en una amplia

variedad de configuraciones de control.

En la siguiente figura se visualizan enumerados los componentes de la planta, y así

mismo en la tabla 1 se identifican sus nombres:

Figura 10. Ubicación de componentes de la planta amatrol T 5552


2011.

24

Tabla 1. Partes de la planta amatrol T 5552

Ítem Descripción

Instrumento

referencia

1 Dual - tanque de proceso N/A

2 Tanque de reserva N/A

3 Bomba de agua N/A

4 Manómetro 1 PI 100-A

5 Manómetro 2 PI 100-B

6 Válvula manual 1 (HV2) HV 100-A

7 Válvula manual 2 (HV1) HV 100-B

8 Válvula solenoide (SV1) SV 100-A

9 Válvula de control de flujo manual (HFV) FV 100

10 Rotámetro FI 100

11 Regulador de presión

PC100 PI

100-C

12 Conversor neumático a corriente (I/P) IYT 100

13 Válvula proporcional de control de flujo FCV 100

14 Sensor de flujo de rueda de paletas FE 100

15 Switch flotante 1 LSH 200-A

16 Switch flotante 2 LSH 200-B

17 Sensor de nivel de presión hidrostática LET 200-A

18 Válvula solenoide (SV2) SV 100-B

19 Válvula solenoide (SV3) SV 100-C

20 Válvula manual 3 (HV3) HV 300

21 Válvula manual 4 (HV4) HV 100-C

22 Válvula manual 5 (HV5) HV 400

23 Control PID FIC 100

24 Sensor de nivel por ultrasonido LET 200-B

25 Transmisor de flujo-display FIT 100

26 Discrete I/O panel de conexión N/A

27 Control relé/válvulas solenoides panel de conexión N/A

28 Switches y leds indicadores N/A

29 Alimentación/ alarma/bomba/ panel de conexión N/A

30 PLC/ análogo/discreto/ I/O panel de conexión N/A

31 Medidor de proceso panel de conexión N/A

32 Sensor de flujo transmisor de presión diferencial N/A

Fuente. Guía Amatrol DB270-XD00XEN process control learning system

installation guide 2011

25

2.1 TRANSMISOR DE PRESIÓN DIFERENCIAL

Es un sensor con el cual se puede medir y controlar el flujo usando presión

diferencial. Funciona con tres sensores de flujo de presión diferencial opcionales

que trae la planta: tubo Venturi, tubo pitot y placa de orificio, cualquiera que se utilice

crea una restricción en la tubería del proceso. Cuando el fluido fluye a través de la

restricción, se obtiene una diferencia de presión que es leída por el sensor y se

puede programar para suministrar una señal análoga (4mA-20mA).

Figura 11. Transmisor de presión diferencial


2011.

2.2 TRANSDUCTOR DE FLUJO VENTURI

Se utiliza para conceptos y aplicaciones de la medición del flujo con base en la

presión diferencial utilizando un tubo Venturi, que como tal origina una pérdida de

presión al pasar un fluido por allí.

26

Figura 12. Tubo venturi


2011.

2.3 VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO

La mayoría de los elementos de control en un sistema de control de procesos son

bombas o válvulas. Existen muchos tipos de válvulas que pueden utilizarse para

controlar un proceso. Cada tipo de válvula tiene características operativas únicas,

por lo que para este caso se utilizó la válvula proporcional de control de flujo, que

inclusive se puede regular dependiendo de la necesidad que se tenga.

Figura 13. Válvula proporcional de control de flujo


2011.

27

2.4 SENSOR DE NIVEL POR ULTRASONIDO

Se utiliza para la medición de nivel de líquido mediante ondas ultrasónicas. El nivel

se calcula por el tiempo que tardan en viajar las ondas desde el sensor hasta la

superficie del medio y volver. El tiempo medido se traduce por medio de una señal

análoga de 4mA a 20mA siendo proporcional al nivel del fluido en el tanque.

Figura 14. Sensor de nivel por ultrasonido

Fuente Guía Amatrol DB270-XD00XEN process control learning system installation guide

2011.

2.5 SENSOR DE NIVEL DE PRESIÓN HIDROSTÁTICA

El nivel del fluido se puede conocer por medio del sensor de nivel por presión

hidrostática siempre y cuando se conozca la densidad del líquido dentro del tanque.

Dicha presión se transmite por medio de una capa de acero inoxidable y se convierte

de igual manera que el sensor por ultrasonido, en una señal análoga de 4mA a

20mA.

28

Figura 15. Sensor de nivel de presión hidrostática


2011.

2.6 VÁLVULAS MANUALES

Existen diferentes tipos de válvulas manuales, para el caso de la planta de control

de nivel y flujo, principalmente se utilizaron:

Figura 16. Válvulas de drenaje Figura 17. Válvula de control de flujo


2011.

29

Las válvulas de drenaje para retornar el líquido al tanque de reserva y la válvula de

control de flujo manual.

Los elementos anteriormente mencionados fueron los que implicaron de forma

significativa en la identificación de la planta para la toma de datos en las diferentes

pruebas realizadas.

2.7 SISTEMA DE ADQUISICIÓN DE DATOS

Se implementó como adicional un sistema de adquisición de datos compuesto de

un Arduino uno R3 que permitió la captura de datos, con las características que se

muestran en la tabla 2.

Figura 18. Dispositivo de adquisión de datos

Fuente de los autores.

Tabla 2. Especificaciones técnicas de la tarjeta Arduino

Ítem Característica Técnica Especificación

1 Microcontrolador Atmega328

2 Voltaje de operación 5V

3 Voltaje de entrada (Recomendado) 7 – 12V

4 Voltaje de entrada (Límite) 6 – 20V

5 Pines para entrada- salida digital 14 (6 pueden ser salida de PWM)

30

6 Pines de entrada analógica 6

7 Corriente continua por pin IO 40 mA

8 Corriente continua en el pin 3,3V 50 mA

9 Memoria Flash 32 KB (0,5 KB bootloader)

10 SRAM 2 KB

11 EEPROM 1 KB

12 Frecuencia de reloj 16 MHz

Fuente de http://www.arduino.cc. 2016

Dicho microcontrolador se configuró por medio de una interfaz en LabView, siendo

un componente adicional con el que no contaba la planta. Fue un proceso completo

del diseño e implementación de un sistema de monitorización realizado por dos

estudiantes de Ingeniería Mecánica de la Facultad Tecnológica (ANGULO &

REYES, 2017). Gracias a dicho aporte, es posible fácilmente guardar los resultados

en un archivo .xls de las pruebas que se toman en cada práctica.

31

3. RECOLECCIÓN DE DATOS DE LA PLANTA AMATROL T 5552

3.1 ADECUACIÓN DE LA PLANTA

En la planta de nivel y flujo AMATROL T5552, anteriormente se había desarrollado

un proyecto nombrado “Diseño e implementación de un sistema para la

monitorización de un proceso de control de nivel y flujo” (ANGULO & REYES, 2017),

en el cual se utilizó un sistema de monitorización con base en un arduino para la

captura de datos del proceso, lo que permitió, para esta fase de identificación, la

toma de los datos necesarios para el análisis y entrenamiento de la red neuronal

artificial (RNA). Los datos corresponden a las variables: caudal, corriente, y nivel

con sensores de presión hidrostática y de ultrasonido.

Inicialmente, se realizó la adecuación del computador con la instalación de los

programas necesarios para la monitorización los cuales fueron Arduino 1.0.2 y

LabView. Posterior, se hicieron las configuraciones y conexiones necesarias entre

la interfaz, el arduino y la planta T5552 para la realización de las pruebas como se

ve en la figura 19.

Figura 19. Sistema de monitorización


32

3.2 TOMA DE DATOS

3.2.1 PRUEBA 1

Inicialmente se seleccionaron sub-sistemas de análisis para el entrenamiento de la

RNA y así determinar fallas en el tanque de nivel y en la válvula proporcional de

control de flujo. Teniendo en cuenta dicha información, los datos que se debían

tomar eran: para el tanque, la entrada es el caudal y la salida es el nivel, y para la

válvula, la entrada es la corriente y la salida es el caudal.

Luego de determinar los sub-sistemas de análisis, que fueron la válvula proporcional

de control de flujo (figura 20) y el tanque (figura 23), se procedió a tomar las dos

primeras series de datos para los cuales se utilizó un periodo de muestreo de 1

segundo, para la válvula. Se toma un periodo de operación de 20 minutos donde

cada 5 segundos se hizo una variación de la corriente para observar la variación en

el caudal, y para el tanque se dio un periodo de operación de 90 minutos, donde

cada 30 segundos se forjó una variación en el caudal para obtener la variación en

el nivel del tanque.

Se realizó la gráfica de los datos para posterior realizar el análisis de los mismos,

donde para cada sub-sistema arroja 2 gráficas que son datos de entrada vs tiempo,

y datos de salida vs tiempo, para observar el comportamiento de los mismos y así

determinar si son los esperados y requeridos para el entrenamiento de la red

neuronal artificial (RNA).

Analizando las gráficas, se concluyó que no son viables para el entrenamiento de la

red neuronal artificial puesto que se observan cambios bruscos, lo que significa que

se trabaja fuera del rango de trabajo óptimo en la planta T5552. Se indaga el por

qué y se determina que el problema se debe a un cambio de diámetro en una de las

secciones de la tubería de la planta, la cual puede estar generando un error en los

datos que arroja la monitorización. Teniendo en cuenta esto, se realizó la

adecuación de una tubería del mismo diámetro para que el comportamiento de la

planta T5552 sea estandarizado y adecuado.

3.2.2 PRUEBA 2

Posteriormente, se realiza una segunda prueba en la que se cambió el periodo para

la toma de datos: cambió de 1 segundo a 5 segundos para la válvula y a 30

segundos para el tanque, esto con el fin de mejorar el resultado de los datos.

33

Analizando las nuevas gráficas, se identificó que se presentaban problemas con el

rango tomado como óptimo trabajo en cuanto al caudal, por lo que se determina un

rango óptimo de trabajo en el caudal de 0,4GPM a 1,2GPM, teniendo en cuenta que

la planta trabaja según los manuales de 0GPM a 2GPM, y los cambios o picos

evidenciados que muestran fallas en el trabajo de la planta están por debajo de los

0,39GPM y el trabajo real máximo de la misma es de 1,2GPM. Por otro lado, en la

gráfica se observó un comportamiento por picos y no como se esperaba en forma

rectilínea, para observar el cambio entre los datos de entrada y salida. Se determinó

cambiar los periodos de muestreo y trabajo de la planta T5552 en cada sub-sistema

para una mejor obtención de los datos.

3.2.3 PRUEBA 3

Los parámetros que se establecieron en el trabajo para la tercera prueba fueron

muestreo para ambos sub-sistemas de cada 1 segundo.

Válvula

Se toma un tiempo de funcionamiento de 45 minutos donde cada 5 segundos se

hace una variación de la corriente para observar la variación en el caudal.

Figura 20. Sub-sistema de estudio: válvula


Se obtuvo las siguientes gráficas:

34

Figura 21. Toma 3 válvula – corriente vs tiempo


Figura 22. Toma 3 válvula – caudal vs tiempo


0

5

10

15

20

2:5

7 p

.m.

2:5

8 p

.m.

2:5

8 p

.m.

2:5

9 p

.m.

3:0

0 p

.m.

3:0

1 p

.m.

3:0

2 p

.m.

3:0

2 p

.m.

3:0

3 p

.m.

3:0

4 p

.m.

3:0

5 p

.m.

3:0

6 p

.m.

3:0

6 p

.m.

3:0

7 p

.m.

3:0

8 p

.m.

3:0

9 p

.m.

3:1

0 p

.m.

3:1

0 p

.m.

3:1

1 p

.m.

3:1

2 p

.m.

3:1

3 p

.m.

3:1

4 p

.m.

3:1

4 p

.m.

3:1

5 p

.m.

3:1

6 p

.m.

3:1

7 p

.m.

3:1

8 p

.m.

3:1

8 p

.m.

3:1

9 p

.m.

3:2

0 p

.m.

3:2

1 p

.m.

3:2

2 p

.m.

3:2

2 p

.m.

3:2

3 p

.m.

3:2

4 p

.m.

3:2

5 p

.m.

3:2

6 p

.m.

3:2

6 p

.m.

3:2

7 p

.m.

3:2

8 p

.m.

3:2

9 p

.m.

3:3

0 p

.m.

3:3

0 p

.m.

3:3

1 p

.m.

3:3

2 p

.m.

3:3

3 p

.m.

3:3

4 p

.m.

3:3

5 p

.m.

3:3

5 p

.m.

3:3

6 p

.m.

Corriente vs Tiempo

0,3

0,5

0,7

0,9

1,1

1,3

2:5

7 p

.m.

2:5

8 p

.m.

2:5

8 p

.m.

2:5

9 p

.m.

3:0

0 p

.m.

3:0

1 p

.m.

3:0

2 p

.m.

3:0

2 p

.m.

3:0

3 p

.m.

3:0

4 p

.m.

3:0

5 p

.m.

3:0

6 p

.m.

3:0

6 p

.m.

3:0

7 p

.m.

3:0

8 p

.m.

3:0

9 p

.m.

3:1

0 p

.m.

3:1

0 p

.m.

3:1

1 p

.m.

3:1

2 p

.m.

3:1

3 p

.m.

3:1

4 p

.m.

3:1

4 p

.m.

3:1

5 p

.m.

3:1

6 p

.m.

3:1

7 p

.m.

3:1

8 p

.m.

3:1

8 p

.m.

3:1

9 p

.m.

3:2

0 p

.m.

3:2

1 p

.m.

3:2

2 p

.m.

3:2

2 p

.m.

3:2

3 p

.m.

3:2

4 p

.m.

3:2

5 p

.m.

3:2

6 p

.m.

3:2

6 p

.m.

3:2

7 p

.m.

3:2

8 p

.m.

3:2

9 p

.m.

3:3

0 p

.m.

3:3

0 p

.m.

3:3

1 p

.m.

3:3

2 p

.m.

3:3

3 p

.m.

3:3

4 p

.m.

3:3

5 p

.m.

3:3

5 p

.m.

3:3

6 p

.m.

Caudal vs Tiempo

35

Tanque

Para este caso, se tomó un tiempo de funcionamiento de 90 minutos donde cada

30 segundos se hizo una variación en el caudal para obtener la variación en el nivel

del tanque, lo que arrojó las siguientes gráficas:

Figura 23. Sub-sistema de estudio: tanque


En este subistema se tuvo en cuenta tanto el sensor de nivel de ultrasonido, como

el sensor hidrostático, arrojando las siguientes gráficas como resultado:

36

Figura 24. Toma 3 tanque – caudal vs tiempo


Figura 25. Toma 3 tanque – nivel ultrasonido vs tiempo


0

0,5

1

1,5

5:1

7 p

.m.

5:1

8 p

.m.

5:2

0 p

.m.

5:2

2 p

.m.

5:2

4 p

.m.

5:2

6 p

.m.

5:2

8 p

.m.

5:3

0 p

.m.

5:3

2 p

.m.

5:3

4 p

.m.

5:3

6 p

.m.

5:3

8 p

.m.

5:4

0 p

.m.

5:4

2 p

.m.

5:4

4 p

.m.

5:4

6 p

.m.

5:4

7 p

.m.

5:4

9 p

.m.

5:5

1 p

.m.

5:5

3 p

.m.

5:5

5 p

.m.

5:5

7 p

.m.

5:5

9 p

.m.

6:0

1 p

.m.

6:0

3 p

.m.

6:0

5 p

.m.

6:0

7 p

.m.

6:0

9 p

.m.

6:1

1 p

.m.

6:1

3 p

.m.

6:1

5 p

.m.

6:1

6 p

.m.

6:1

8 p

.m.

6:2

0 p

.m.

6:2

2 p

.m.

6:2

4 p

.m.

6:2

6 p

.m.

6:2

8 p

.m.

6:3

0 p

.m.

6:3

2 p

.m.

6:3

4 p

.m.

6:3

6 p

.m.

6:3

8 p

.m.

6:4

0 p

.m.

6:4

2 p

.m.

6:4

4 p

.m.

6:4

5 p

.m.

Caudal vs Tiempo

3

3,5

4

4,5

5

5:1

7 p

.m.

5:1

8 p

.m.

5:2

0 p

.m.

5:2

2 p

.m.

5:2

4 p

.m.

5:2

6 p

.m.

5:2

8 p

.m.

5:3

0 p

.m.

5:3

2 p

.m.

5:3

4 p

.m.

5:3

6 p

.m.

5:3

8 p

.m.

5:4

0 p

.m.

5:4

2 p

.m.

5:4

4 p

.m.

5:4

6 p

.m.

5:4

7 p

.m.

5:4

9 p

.m.

5:5

1 p

.m.

5:5

3 p

.m.

5:5

5 p

.m.

5:5

7 p

.m.

5:5

9 p

.m.

6:0

1 p

.m.

6:0

3 p

.m.

6:0

5 p

.m.

6:0

7 p

.m.

6:0

9 p

.m.

6:1

1 p

.m.

6:1

3 p

.m.

6:1

5 p

.m.

6:1

6 p

.m.

6:1

8 p

.m.

6:2

0 p

.m.

6:2

2 p

.m.

6:2

4 p

.m.

6:2

6 p

.m.

6:2

8 p

.m.

6:3

0 p

.m.

6:3

2 p

.m.

6:3

4 p

.m.

6:3

6 p

.m.

6:3

8 p

.m.

6:4

0 p

.m.

6:4

2 p

.m.

6:4

4 p

.m.

6:4

5 p

.m.

Nivel Ultrasonido vs Tiempo

37

Figura 26. Toma 3 tanque – nivel presión hidrostática vs tiempo


La gráfica de caudal vs tiempo tiene el comportamiento esperado para el entrenamiento, es imprescindible que en la

gráfica haya escalones tal cual se mostró. El análisis de estas gráficas nos permite determinar que son los datos

apropiados para el entrenamiento de la red neuronal artificial, y a su vez reafirmando que los parámetros antes

mencionados son los rangos de trabajo óptimo de la planta T5552.

7

8

9

10

11

12

13

5:1

7 p

.m.

5:1

8 p

.m.

5:2

0 p

.m.

5:2

2 p

.m.

5:2

3 p

.m.

5:2

5 p

.m.

5:2

7 p

.m.

5:2

8 p

.m.

5:3

0 p

.m.

5:3

2 p

.m.

5:3

3 p

.m.

5:3

5 p

.m.

5:3

7 p

.m.

5:3

8 p

.m.

5:4

0 p

.m.

5:4

2 p

.m.

5:4

3 p

.m.

5:4

5 p

.m.

5:4

7 p

.m.

5:4

8 p

.m.

5:5

0 p

.m.

5:5

2 p

.m.

5:5

3 p

.m.

5:5

5 p

.m.

5:5

7 p

.m.

5:5

8 p

.m.

6:0

0 p

.m.

6:0

2 p

.m.

6:0

4 p

.m.

6:0

5 p

.m.

6:0

7 p

.m.

6:0

9 p

.m.

6:1

0 p

.m.

6:1

2 p

.m.

6:1

4 p

.m.

6:1

5 p

.m.

6:1

7 p

.m.

6:1

9 p

.m.

6:2

0 p

.m.

6:2

2 p

.m.

6:2

4 p

.m.

6:2

5 p

.m.

6:2

7 p

.m.

6:2

9 p

.m.

6:3

0 p

.m.

6:3

2 p

.m.

6:3

4 p

.m.

6:3

5 p

.m.

6:3

7 p

.m.

6:3

9 p

.m.

6:4

0 p

.m.

6:4

2 p

.m.

6:4

4 p

.m.

6:4

6 p

.m.

Nivel Presión Hidrostática vs Tiempo

38

4. ENTRENAMIENTO DE LA RNA

En este capítulo se realizó el entrenamiento de las redes neuronales artificiales para

cada uno de los subsistemas. Para este proceso, se hizo un comparativo en el

entrenamiento de dichas redes por medio de los comandos del toolbox en Matlab

de redes neuronales, y así mismo de la interfaz de redes neuronales. Se determinó

que por practicidad y mejoramiento del entrenamiento de las RNA´S, el método de

entrenamiento mediante la interfaz es el más adecuado, ya que proporciona una

serie de gráficas que permiten observar la viabilidad de las mismas para la

identificación, implementando un sistema de monitorización y detección de fallas.

4.1 ENTRENAMIENTO VÁLVULA PROPORCIONAL DE CONTROL DE FLUJO

Se realizó un entrenamiento de las RNA por la interfaz del entrenamiento de

MATLAB la cual permite determinar porcentaje de entrenamiento, validación y

pruebas para la optimización del entrenamiento. A su vez, se obtuvo una serie de

gráficas las cuales permitieron observar la tendencia al error y sistemas de

validación.

Para realizar el entrenamiento mediante la interfaz, se siguieron los pasos que se

explican a continuación: inicialmente, se genera la carga de los datos de

entrenamiento en la plataforma de workspace por medio de la opción import data

como se ve en la figura 27.

Figura 27. App carga de datos


Una vez se selecciona la opción, se busca el archivo de los datos tomados y

seleccionados respecto a las pruebas realizadas en la planta de control de nivel y

flujo. Dichos datos se encontrarán en un solo paquete que fueron reunidos mediante

Matlab como se muestra en la figura 28 (Anexo A en CD).

39

Figura 28. Plataforma para cargar datos al workspace


Seleccionado el archivo donde se encuentran las matrices de datos de

entrenamiento, en workspace se despliega cada una de las series de datos,

identificadas con nombre propio para reconocer matrices para cada subsistema y

su función en cuanto a entrada o salida del entrenamiento:

Figura 29. Matrices de datos de entrenamiento


40

Ya cargadas las matrices de datos para entrenar, en el command window se digita

el comando “nnstart” para desplegar el módulo de entrenamiento de redes

neuronales artificiales. Con ese comando se puede seleccionar la forma de ingresar

los datos que se entrenan para identificar el sistema de control.

Figura 30. Comando de entrenamiento para interfaz de la RNA


Inmediatamente, se abre un asistente para resolver problemas con redes neuronales. Cada uno de estos asistentes ayuda a resolver un tipo diferente de problema. Para el caso presente, se seleccionó “fitting app” ya que fue el modelo escogido para esta prueba en el que permite seleccionar datos de entrada y salida.

Figura 31. Interfaz de entrenamiento para redes neuronales


Se despliega una ventana donde se da una breve introducción a lo que consiste el

entrenamiento por la opción seleccionada, y en el modelo gráfico de la misma. Se

muestra que consta del entrenamiento de los datos de entrada y salida con dos tipos

de capas intermedia una oculta de entrenamiento donde se determinan el número

de neuronas y otra capa previa de salida.

41

El funcionamiento de la red de retropropagación consiste en el aprendizaje de un

conjunto predefinido de pares de entradas-salidas dadas. Primero se aplica un

patrón de entrada como estímulo para la primera capa de neuronas, se va

propagando a través de las capas superiores hasta generar una salida, se compara

el resultado en las neuronas de salida con la salida deseada y se calcula un valor

de error para cada neurona de salida. Estos errores se transmiten hacia atrás,

partiendo de la capa de salida hasta que todas las neuronas hayan recibido un error

que describa su aportación relativa al error total. (LARRAGAÑA, INZA, &

MOUJAHID, 2012)

Figura 32. Interfaz de entrenamiento para redes de retro propagación


Luego de dicha introducción, se pasa a la plataforma donde se indican, de manera

individual, las matrices de datos de entrenamiento: entrada y salida, donde cada

una representa la cantidad de muestras por elemento seleccionado.

Figura 33. Plataforma para carga individual de datos de entrada y salida para entrenamiento


42

Cargadas las matrices de datos, se pasa a la plataforma de selección de porcentaje

para la validación del entrenamiento, donde se encuentran tres factores a tener en

cuenta: entrenamiento, validación y pruebas. Por defecto se determina que sean

70% para el entrenamiento y 15% para la validación y las pruebas, aunque se puede

variar para ver el comportamiento del entrenamiento de las RNA. Para este trabajo

se evidenció que los porcentajes estándares que muestra Matlab son los adecuados

para los dos entrenamientos.

Figura 34. Porcentajes de validación de entrenamiento


Una vez determinados los porcentajes de acción para el entrenamiento de la RNA,

se continuó con la asignación de la cantidad de neuronas ocultas que harán parte

del entrenamiento. Esta cantidad es elegida por el usuario teniendo en cuenta que

puede realizar una serie de pruebas iniciales para tener un margen de la cantidad

de neuronas apropiadas para la tarea, entre más sea la cantidad de neuronas más

largo será el entrenamiento y mejor el procesamiento de los datos, pero se debe

tener en cuenta que al exceder el número ideal de neuronas ocultas se pasa a no

tener un óptimo entrenamiento.

43

Figura 35. Asignación de neuronas de la capa oculta


Ya asignados todos los parámetros para el entrenamiento, se siguió con el

entrenamiento de la red neuronal artificial. Este procedimiento se realizó como se

observa en la figura 36, seleccionando “train”, la cual es la ventana final para poder

obtener los resultados que mostraron la viabilidad y el óptimo entrenamiento de la

red para la implementación del sistema de control de fallas.

Figura 36. Trabajo de entrenamiento


44

Realizado el entrenamiento de la red neuronal artificial, Matlab desplegó una

ventada adicional con los resultados del entrenamiento, donde se observó datos

como las épocas de entrenamiento, que son los periodos de tiempo del

entrenamiento, tiempo utilizado para el entrenamiento, mejoramiento del mismo

entre otros. Igualmente, como se ve enmarcado en rojo en la siguiente figura, un

listado de gráficas que permitieron analizar el comportamiento del entrenamiento de

la red, midiéndolo mediante el rendimiento, la regresión de datos de salida y el

histograma de error.

Figura 37. Resultados entrenamiento


Ya teniendo en cuenta los pasos para el entrenamiento, se procede a realizar el

entrenamiento de la red neuronal artificial para el sub-sistema de la válvula de

45

control de flujo. En un principio, se cargan de los datos de entrenamiento como se

observa en la figura 38, los cuales se ven designados por unas siglas que

corresponden de la siguiente manera: datos de entrada corriente (I1) y los datos de

salida caudal (Q1), que se encontrarán en el anexo B (CD).

Figura 38. Interfaz de entrenamiento para RNA válvula de control


Ingresados los datos de entrenamiento, se procede a ingresar el número de

neuronas en la capa oculta de la RNA, para este sub-sistema después de una serie

de ensayos se determinó que el número aproximado ideal de neuronas ocultas seria

de 1300. Esto teniendo en cuenta las pruebas y el gran número de datos de entrada

y salida que maneja la monitorización de la electroválvula. A su vez, para ambos

sub-sistemas, electroválvula y tanque, los porcentajes de entrenamiento serán los

antes mencionas en la explicación del paso a paso.

46

También se pudo observar que los resultados del progreso del entrenamiento de la

red neuronal, de las 1000 iteraciones posibles para el entrenamiento óptimo de la

red fueron necesarios 4, lo cual se ve reflejado en el poco tiempo requerido para el

mismo, esto optimizando el desempeño de la RNA, de.

Figura 39. Entrenamiento de la RNA válvula de control


Entrenada la red neuronal, se inicia el análisis del entrenamiento mediante la

primera gráfica (figura 40), la cual muestra el rendimiento de la red durante el

entrenamiento. Dicho rendimiento se mide en términos del error, se observa que,

en la gráfica para la electroválvula, la tendencia a la disminución del error es

bastante corta en el tiempo, lo que hace que la RNA tenga un mejor funcionamiento

para el control en la segunda época, refiriéndose a la época como el máximo

47

número de veces que se presentan los datos de entrenamiento a la red, y

volviéndose constante asegurando el correcto funciona y adaptación al control de

sistema.

Figura 40. Tendencia de validación del entrenamiento para la válvula de control


En la figura 41 se observa el comportamiento y la adaptación real de los datos de

entrada y salida con respecto al entrenamiento y la tendencia de error de la misma,

aclarando que el entrenamiento tiene un elevado porcentaje de adaptación a los

datos del comportamiento óptimo de la planta, ocasionando que pueda tenerse una

adecuada monitorización de proceso para la detección de fallas.

48

Figura 41. Función de ajuste y error del entrenamiento de la válvula de control


Otra medida de lo bien que la red neuronal se ha ajustado a los datos, es el gráfico

de regresión. Aquí la regresión se representa en todos los datos de muestreo. El

gráfico de regresión muestra las salidas reales de la RNA trazadas en términos de

los valores objetivos asociados la red. Como se observa que dicha red, para la

electroválvula, ha aprendido a adaptarse bien a los datos, el ajuste lineal a esta

relación de salida-objetivo se cruza estrechamente en las esquinas inferior izquierda

y superior derecha del gráfico y agrupa una tendencia de datos a la linealidad del

entrenamiento.

49

Figura 42. Diagrama de regresión del entrenamiento válvula de control


Otra comprobación es la gráfica del histograma de error, ya que muestra cómo se

distribuyen los tamaños de error que normalmente, para que sea óptima la RNA,

deben la mayoría de los errores estar cerca de cero, con muy pocos errores lejos

de ese margen, como se evidencia en la siguiente gráfica. El margen de error que

presenta el entrenamiento de la electroválvula tiene un comportamiento ideal,

puesto que la tendencia al error en las tres etapas del entrenamiento está justo

sobre el limite cero de error.

50

Figura 43. Histograma de error al entrenamiento de la válvula de control


4.2 ENTRENAMIENTO TANQUE DE PROCESO

Para el entrenamiento del sub-sistema del tanque de proceso, se tiene en cuenta

los pasos iniciales del entrenamiento anterior hasta la importación de los datos. Se

referencian como entrada los datos obtenidos de la monitorización del caudal

denominado para el workspace como (Q2), y como datos de salida los de Nivel de

ultrasonido denominados como (NU2). Datos verificables en anexo C (CD). Estos

51

son como en el caso anterior, cargados por medio de “select data” para el proceso

de entrenamiento de la RNA como se detalla la figura 44.

Figura 44. Interfaz de entrenamiento para RNA tanque


En la figura 45 se observa las interfaces de entrenamiento de la red neuronal

artificial en donde se toma el mismo porcentaje de trabajo que el entrenamiento

anterior: 70% de entrenamiento, 15% de validación y 15% pruebas. Para el caso del

tanque se seleccionó un número de capas ocultas de 180, que se determinaron por

ensayos previos. Se observó en los resultados del progreso del entrenamiento de

la red neuronal, que de las 1000 iteraciones posibles para el entrenamiento óptimo

de la red fueron necesarias 4 como en el proceso anterior, lo cual se ve reflejado en

el poco tiempo requerido para el mismo, y lo que optimiza la RNA y genera las

verificaciones necesarias y correctas.

52

Figura 45. Entrenamiento de la RNA tanque


Respecto a la del sub-sistema anterior, se puede observar, como la validación para

el correcto funcionamiento de la RNA, que tiende a un comportamiento similar, al

tener el mismo tiempo de adecuación al entrenamiento deseado. Sin embargo, en

el tanque muestra un comportamiento más acertado, ya que las tres etapas se

comportan de la misma manera lo cual demuestra la viabilidad del entrenamiento

de la red.

53

Figura 46. Tendencia de validación del entrenamiento para el tanque


En la figura 47, se observa el comportamiento y la adaptación real de los datos de

entrada y salida con respecto al entrenamiento y la tendencia de error de la misma.

El entrenamiento en este sub-sistema tiene un porcentaje de adaptación a los datos

del comportamiento, inferior con respecto al caso anterior, pero no dejando de ser

adecuada la RNA para monitorización del proceso para la detección de fallas, ya

que es comprensible que al tener un mayor número de datos en el proceso de la

planta la tendencia de error incrementa proporcionalmente.

54

Figura 47. Función de ajuste y error del entrenamiento del tanque


En la figura del histograma de error para el tanque, se muestra cómo se distribuyen

los tamaños de error. En este caso se observa que también tiene un adecuado

comportamiento ya que los datos de error tienden a encontrarse en su mayoría en

el límite cero, aunque tengan un mayor número de incidencias de error a lo que se

aleja de margen cero, pero siendo inferiores notoriamente a los encontrados en el

trabajo óptimo deseado para la RNA.

55

Figura 48. Histograma de error al entrenamiento del tanque


En el diagrama de regresión se observan las salidas reales de la RNA trazadas en

términos de los valores objetivo asociados a la red. Se puede identificar que la red

ha aprendido a adaptarse bien a los datos. El ajuste lineal a esta relación de salida-

objetivo se cruza estrechamente en las esquinas inferior izquierda y superior

derecha del gráfico, y agrupa una tendencia de datos a la linealidad del

entrenamiento mucho más evidente que en el caso anterior, lo que confirma el buen

desempeño de la RNA.

56

Figura 49. Diagrama de regresión del entrenamiento tanque


Obtenidas las redes neuronales entrenadas para cada uno de los sub-sistemas, y

previamente analizadas mediante las gráficas que indican la viabilidad en el uso

posterior para el análisis de falla de la planta de nivel y flujo, se puede obtener

mediante la app de simulación de Matlab Simulink como se ve en la figura 50, el

cubo y diagrama del comportamiento de las RNAS para la monitorización de la

planta pulsando el icono de simulink diagram.

57

Figura 50. Obtención cubo de comportamiento de la RNA


Lo que muestra el diagrama de trabajo (figura 51), puede ser comparado con el

modelo analítico del sistema, ya que de esta forma se obtiene la función de

transferencia en todos los casos que se requiera, y permite determinar el margen

exacto de similitud de trabajo de la planta y la eficiencia en la monitorización de la

misma.

58

Figura 51. Diagrama de simulink de una RNA


El análisis comparativo se desarrolla en el siguiente capítulo, en donde a su vez se

obtienen las funciones de transferencia de cada subsistema, para determinar la

viabilidad del entrenamiento de cada red neuronal artificial para la monitorización y

análisis de falla en el proceso de trabajo de la planta de nivel y flujo.

59

5. COMPARACIÓN CON MODELO ANALÍTICO

Para realizar el análisis inicial de la viabilidad de los datos obtenidos en el

experimento, y seleccionados para el entrenamiento de la RNA, se realizó una

identificación paramétrica de forma analítica con la herramienta de Matlab toolbox

sistema de identificación, para que a su vez se puedan generar mejoras en los datos

quitando señales de interferencia como: tendencias, máximos y mínimos, distorsión

entre otros, con el fin de ver y seleccionar la mejor línea de datos para el

entrenamiento de la red neuronal.

5.1 COMPARACIÓN CON MODELO ANALÍTICO DE LA VÁLVULA

PROPORCIONAL DE CONTROL DE FLUJO

Inicialmente se ejecuta el comando systemIdentification en la ventana de

comandos de Matlab. En el System Identification Toolbox se pueden construir

modelos matemáticos de sistemas dinámicos a partir de datos medidos de entrada-

salida. Permite usar y crear modelos de sistemas dinámicos que no se moldean

fácilmente a partir de las especificaciones. Se puede usar datos de entrada y salida

de dominio de tiempo y de dominio de frecuencia para identificar funciones de

transferencia de tiempo discreto y continuo, modelos de proceso y modelos de

espacio de estado. En la primera ventana, el nombre registra predeterminado “Sin

título” como se observa en la barra de título.

Figura 52. Aplicación de identificación del sistema


60

Se deben haber cargado los datos de muestra en el espacio de trabajo de Matlab,

y se selecciona sus respectivas entradas input y salidas output como lo muestra la

siguiente figura:

Figura 53. Importación de datos


Posteriormente, se realizó la carga de datos que se visualiza en la parte izquierda y

se genera el proceso de mejoramiento de datos. En esta parte inicial, se toma como

estudio los datos de entrada y salida del experimento, una vez realizado este

proceso, se obtienen unas tendencias las cuales demuestran el porcentaje de

excelencia de los datos; para el entrenamiento debe estar por encima del 75%.

61

Figura 54. Importación de matrices de datos


En la parte de Operaciones-> preproceso, se selecciona quick start. El “inicio rápido”

puede producir modelos lineales finales o también pueden proporcionar la

información necesaria para configurar la estimación de modelos paramétricos

precisos como constantes de tiempo, retardos de entrada y frecuencias de

resonancia.

Esta acción genera gráficas de respuesta escalonada, respuesta en frecuencia y

salida de modelos.

El quick start calcula cuatro tipos de modelos:

Imp: Paso de respuesta durante un periodo de tiempo utilizando el algoritmo de

impulso.

Spad: La respuesta de frecuencia es la transformada de Fourier de la respuesta de

impulso de un sistema lineal.

62

Arxqs: Modelo autoregresivo de cuarto orden (ARX).

N4s4: Modelo de espacio de estado calculado usando n4sid. El algoritmo selecciona

automáticamente el orden del modelo. En este caso 4.

Este modelo es paramétrico y tiene la siguiente estructura:

𝑑𝑥

𝑑𝑡= 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡) + 𝐾𝑒(𝑡)

𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡) + 𝑒(𝑡)

Donde y(t) representa la salida en el tiempo t, u(t) representa la entrada en el tiempo

t, x es el vector de estado y e(t) es la perturbación de ruido blanco. El System

Identification Toolbox estima las matrices del espacio de estado A, B, C, D y K.

Por medio de esta opción se puede consultar respecto a cada gráfica, los tiempos

en los que se torna la señal para el entrenamiento como se muestra a continuación.

Representan las señales de entrada y salida, y así mismo los rangos y la posición

en el mejoramiento de los datos para el entrenamiento.

Figura 55. Gráficas de entrada y salida de datos válvula optimizadas


63

La similitud con los datos de salida, que es el porcentaje de viabilidad para el

entrenamiento de la RNA, es acorde y da paso al entrenamiento.

El diagrama de salida del modelo (figura54), muestra la respuesta del modelo a la

entrada en los datos de validación. Los modelos de la lista Best Fits se ordenan

desde el mejor en la parte superior hasta el peor en la parte inferior. Para este caso,

la salida de los modelos coincide con la salida de datos de validación, lo que indica

que los modelos parecen seguir la dinámica del sistema principal por lo que el

modelado es suficiente.

Figura 56. Gráfica de salida del modelo


El ajuste entre las dos curvas se calcula de tal manera que 100 significa un ajuste

perfecto y 0 indica un ajuste pobre. Un buen modelo es el que mejor describe la

dinámica y simula o predice exitosamente la salida para diferentes entradas.

A continuación, una gráfica de respuesta de frecuencia para los modelos spad,

arxqs y n4s4, que permite observar un acuerdo entre las diferentes estructuras del

modelo y los datos medidos, lo que significa que todas estas estructuras tienen

dinámicas similares. La respuesta de los datos y las tendencias al error son bastante

favorables para el entrenamiento y la monitorización de los subsistemas.

64

Figura 57. Respuesta de frecuencia


Para datos de dominio de tiempo, el gráfico de función de frecuencia muestra la

estimación de la función de transferencia empírica (etfe). Para los datos de dominio

de frecuencia, la gráfica muestra la relación entre la salida y los datos de entrada.

El gráfico de respuesta de frecuencia muestra los gráficos de amplitud y fase de la

respuesta de frecuencia correspondiente. El modelo imp (línea azul), se descarta

ya que notablemente la imagen muestra que su comportamiento es el menos

ajustado para este caso.

En la figura 56 se muestra la respuesta de paso para imp, arxqs y n4s4

Figura 58. Tiempos de respuesta de datos válvula de control


65

Esta herramienta, la respuesta transiente, despliega el error que se obtiene al variar

los indicadores del tiempo muerto y la constante de tiempo, o toda función de

transferencia. Se puede, si se quiere, colocar anclas sobre la curva para mejorar el

modelo en sí. El retardo en la entrada representa el tiempo que le toma a la salida

responder a la entrada. Estos diagramas, conocidos también como respuesta por

pasos e impulso, proporcionan información sobre las características de la dinámica

del modelo, incluida la respuesta máxima y el tiempo de establecimiento.

SI el modelo incluye un modelo de ruido, se puede mostrar la respuesta transitoria

asociada con cada canal de salida.

5.1.1 Comparación función de transferencia del modelo analítico y modelo

RNA válvula

Por medio del modelo analítico se genera la función de transferencia para el sub-

sistema de la electroválvula, mediante el uso de system identification toolbox, pero

esta vez teniendo en cuenta la operación que despliega cada opción para generar

dicha función, como se observa en la figura 59. Esto se realiza con el fin de generar

la función más exacta al trabajo real de los datos tomados en cada muestra

experimental. Figura 59. Identificación de la función de transferencia por el modelo analítico


66

Una vez generados todos los modelos mediante la función model output, se puede

identificar qué función de transferencia es la más acorde para el sistema de

monitorización. También se puede observar el comportamiento de planta omitiendo

la optimización de los datos, en cuanto a eliminar: rangos, tendencias de

interferencia (como en el punto anterior), con la finalidad de obtener la función de

exacta de trabajo de la planta. Ese porcentaje de similitud a la original es de no

menos del 70%, ya que es cuando empieza el trabajo óptimo y de la toma de datos.

Seleccionada la función más acorde, se hace la importación de función de

transferencia.

Figura 60. Porcentaje de similitud electroválvula


Identificado el mejor modelo para la función que para este caso es P1: 75,84%, se

traslada esta al workspace, donde se despliega la función de transferencia del sub-

sistema que se seleccionó llevar a simulink para la comparación del

comportamiento.

67

Figura 61. Función de transferencia electroválvula


Con la función de transferencia y el cubo de trabajo de la RNA, se realiza el montaje

del comportamiento del sistema en simulink con una señal de salida para observar

el comportamiento de cada una, teniendo en cuenta que para que sea un 100%

acertado el entrenamiento este debe tender a 0, dicho montaje se observa en la

figura 62. Figura 62. Diagrama de funcionalidad en simulink


68

Realizado el montaje, se corre el programa para generar la señal de salida scope,

donde se visualiza el comportamiento de cada. En la siguiente figura, se puede

observar que el comportamiento de las funciones de trabajo de cada uno tiene la

misma tendencia en línea recta, por lo que el trabajo de monitorización de cada uno

es similar. Se identifica que, al trabajar con los datos optimizados, eliminando picos

y tendencias de datos que interrumpan la señal real de trabajo, hay una diferencia

en la guía de la línea de entrenamiento resaltando que la función arrojada por el

entrenamiento de la RNA es mejor.

Figura 63. Diagrama señal de salida trabajo válvula


5.2 COMPARACIÓN CON MODELO ANALÍTICO DEL TANQUE

Para el análisis del tanque, el proceso que se siguió fue exactamente el mismo que

el realizado con la válvula proporcional de control de flujo, obteniendo las siguientes

gráficas.

69

Figura 64. Interfaz de introducción y optimización de datos tanque


Los gráficos que crea utilizando la aplicación Identificación del sistema proporcionan

opciones específicas para el producto System Identification Toolbox, como la

selección de pares de canales específicos en señales multivariadas o la conversión

de unidades de frecuencia entre Hertz y radianes por segundo. El gráfico de tiempo

(time plot) solo muestra datos de dominio de tiempo.

Nuevamente, con la gráfica que Matlab automáticamente detecta como la mejor, en

la opción de preproceso se selecciona quick start arrojando lo siguiente:

70

Figura 65. Gráficas de entrada y salida de datos tanque optimizadas


Para el procesamiento de datos del tanque, en la gráfica de modelo-salida del

tanque, se evidencia que de los tres modelos de la lista Best Fits (los que mejor

encajan), arxqs y n4s1 son las que mejor se ajustan, lo que significa que son los

modelos que capturan la dinámica del sistema principal por lo que el modelado es

suficiente.

Figura 66. Gráfica del modelo-salida tanque


71

Estos son los modelos que se ajustan con menor error a la respuesta del sistema.

Son los obtenidos por identificación del modelo en el espacio de estados de orden

1. En concreto el modelo seleccionado fue arxqs con el mayor porcentaje para el

caso del tanque.

La siguiente figura es un gráfico de respuesta transitoria, con el que se puede

estimar el retraso de entrada o tiempo muerto de los sistemas lineales. Como tal, el

retardo representa el tiempo que le toma a la salida responder a la entrada; el valor

de la respuesta de impulso se muestra en el eje vertical, y en el eje horizontal se

muestran las unidades de tiempo que se especificó para estimar el modelo.

Figura 67. Respuesta de paso tanque


Los diagramas de respuesta transitoria proporcionan información sobre las

propiedades dinámicas básicas del modelo, como los tiempos de respuesta, las

ganancias estáticas y los retrasos. Con ayuda de esta gráfica se identificó que, en

definitiva, el modelo captura muy bien la dinámica.

Ahora bien, las gráficas de respuesta en frecuencia (figura61) para el tanque

muestran un acuerdo entre los diferentes modelos y los datos medidos, lo que

significa que también tienen estructuras dinámicas similares.

72

Figura 68. Respuesta de frecuencia


Los diagramas de respuesta de frecuencia muestran los valores complejos de una

función de transferencia en función de la frecuencia, describe cómo el modelo

reacciona a las entradas sinusoidales. La magnitud de la respuesta es diferente a

la magnitud de la señal de entrada, y la fase de la respuesta se desplaza en relación

con la señal de entrada. Para este caso, nuevamente imp es el modelo que

representa menos viabilidad para un correcto entrenamiento de la red neuronal.

73

5.2.1 Comparación función de transferencia del modelo analítico y modelo

RNA tanque

Se realiza el mismo procedimiento en el manejo y creación de los campos de trabajo

para simulink que en la válvula, para el análisis de la función de transferencia como

se observa en la figura 69.

Figura 69. Identificación de la función de transferencia por el modelo analítico tanque


De este proceso se obtienen los siguientes porcentajes de adecuación de la función

de transferencia para el trabajo y monitorización de proceso según la figura 70.

74

Figura 70. Porcentaje de similitud tanque


Se identifica nuevamente el mejor modelo para la función que para este caso es tf6:

77,62%, se realiza exactamente el mismo proceso de la válvula, se traslada al

workspace, donde se despliega la función de transferencia del sub-sistema:

Figura 71. Función de transferencia tanque


75

Se realiza entonces el montaje de trabajo en el aplicativo simulink, para la

comparación entre la función de transferencia y el entrenamiento de la RNA para el

tanque como se ve en la figura 72.

Figura 72. Diagrama de funcionalidad en simulink tanque


Realizado el montaje se corre el programa para generar en la señal de salida scope,

donde se observa el comportamiento de cada una, en la cual se concluye que el

comportamiento de las funciones de trabajo de cada uno tiene la misma tendencia

en línea recta, como en el caso anterior, por lo que el trabajo de monitorización de

cada uno es similar. Definitivamente, al trabajar con los datos optimizados

eliminando picos y tendencias de datos que interrumpan la señal real de trabajo, se

observa una diferencia en la guía de la línea de entrenamiento, escogiendo

nuevamente como la mejor función a la arrojada por el entrenamiento de la RNA.

76

Figura 73. Diagrama señal de salida trabajo tanque


77

CONCLUSIONES

El proceso de identificación de un sistema de control de nivel y flujo utilizando redes

neuronales, demostró que inicialmente para el óptimo entrenamiento de las redes

es fundamental determinar un proceso de experimentación adecuado donde se

obtengan una serie de datos acertadas, no solamente a la vista en el funcionamiento

de la planta, sino también en las gráficas obtenidas en la monitorización, donde se

evidencia una idea inicial de la viabilidad de los datos.

Teniendo en cuenta que en el proceso experimental número uno no se tuvo ningún

tipo de parámetro para la obtención de datos, y que el rango de tiempos de trabajo

y captura de datos fue demasiado corto, por lo que se notó tan solo en las gráficas

de monitorización, unos picos y cambios en los datos que no son adecuados y que

resaltan el mínimo trabajo óptimo que presentó la planta, dando como resultado la

necesidad de realizar experimentos posteriores controlando tiempos y rangos de

trabajo.

Por otra parte, en el momento del entrenamiento de las redes neuronales en el

software Matlab, es importante realizar pruebas iniciales a la hora de determinar la

cantidad de neuronas ocultas para el entrenamiento, ya que la asignación

inadecuada del número de neuronas hará que el entrenamiento pierda viabilidad ya

sea por falta o por exceso de las mismas. Es importante resaltar que las redes

obtenidas tienen una adaptación adecuada para la utilización de las mismas en

procesos de identificación de falla con monitorización de sistemas de control de nivel

y flujo.

También se concluyó que es necesario realizar una comparación con el modelo

analítico de los datos, utilizando la aplicación system identification, con el fin de

realizar una mejora en los datos de entrenamiento, ya que desde allí se puede

optimizar quitando ruidos, tendencias y demás datos que puedan generar fallas a la

hora del entrenamiento de las redes neuronales. Finalmente, generando las

respectivas funciones de transferencia por medio de la herramienta Simulink, se

evidenció en la comparación con el modelo analítico que la mejor función es la

encontrada con el entrenamiento de la RNA.

78

BIBLIOGRAFÍA

ÁLVAREZ, M., & AMIGO, L. (2003). Predicción no lineal en el mercado español de valores

tecnológicos. Evidencia a favor de la hipótesis débil de eficiencia. Información Tecnológica,

14(6), 71-80.

ANDRADE, E. (2013). Estudio de los principales tipos de redes neuronales y la herramientas para su

aplicación. Cuenca.

ANGULO, F., & REYES, J. (2017). Diseño e implementación de un sistema para la monitorización de

un proceso de control de nivel y flujo. Bogotá: Universidad Distrital Francisco José de

Caldas.

ASTOCONDOR, J. (2010). Diseño e implementación de un neurocontrolador aplicado a una planta

de posición y velocidad. Univeridad Nacional del Callao.

BALLESTEROS, A. (2015). Neural Networks Framework. Recuperado el 1 de 8 de 2017, de

http://www.redes-neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-las-

redes-neuronales-artificiales.htm

BANKS, S. (1991). Signal Processing, Image Processing and Pattern Recognition. New Jersey:

Prentic Hall.

COLOMER, J., MELÉNDEZ, J., & AYZA, J. (2000). Sistemas de supervisión: introducción a la

monitorización y supervisión experta de procesos : métodos y herramientas. Cetisa

Boixareu.

DE LA FÉ-DOTRES, S., DOMÍNGUEZ, J., & SIERRA, J. (2010). Red neuronal para el pronóstico del

consumo de combustible de motogeneradores. Revista Cubana de Ciencias Informáticas,

53-58.

FIGUERES, M. (2013). Introducción a las redes neuronales artificiales. Sistemas inteligentes de

ingeniería civil, 1-10.

GARCÍA, M. (5 de Abril de 2016). Redes neuronales e inteligencia artificial. Obtenido de

BillionBytes : https://billionbytes.es/redes-neuronales-e-inteligencia-artificial-cuales-son-

sus-diferencias-19531

GARRIDO, J., REYNA, P., VÁZQUEZ, M., & GARCÍA, A. (2009). Control de Nivel a través de Redes

Neuronales. 8º Congreso Nacional de Mecatrónica, 261-265.

GARZÓN, G., & URDIALES, M. (2017). Diseño e implementación de un sistema para detrminar fallas

mecánicas en motores de encendido provocado mediante redes neuronales artificiales.

Cuenca.

KARPENKO, M., SEPEHRI, N., & SCUSE, D. (2002). Diagnosis of process valve actuator faults using a

multilayer neural network. Science Direct, 1289-1299.

79

LARRAGAÑA, P., INZA, I., & MOUJAHID, A. (2012). Redes Neuronales. Madrid: Universidad del Pais

Vasco.

Level & Flow Process Control Learning System - T5552. (Julio de 2017). Obtenido de

http://www.amatrol.com/coursepage/t5552/

MATICH, D. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Rosario: Universidad

Tecnológica Nacional.

McCULLOCH, W. S., & PITTS, W. (1990). A logical calculus of the ideas immanent in nervous

activity. Society for mathematical biology, 99-115.

MIHAICH, F. (2014). Aplicación de redes neuronales en la clasificación de imágenes. Córdoba.

MONTAÑO, J. J., & PALMER, A. (1999). ¿Qué son las redes neuronales artificiales? Aplicaciones

realizadas en el ámbito de las adicciones. Adicciones, 11, 243-255.

QUINTANA, A. (2015). Implementación de un sistema de redes neuronales en matlab para la

predicción del equilibrio líquido-vapor de mezclas binarias selectas. Cartagena.

SANCHO, F. (23 de Abril de 2017). Redes Neuronales: una visión superficial. Recuperado el 15 de

Agosto de 2017, de http://www.cs.us.es/~fsancho/?e=72

VÍLCHEZ, V. (2010). Estimación y clasificación de daños en materiales utilizando modelos AR .

Granada: Universidad de Granada.

VISCARRA, J., AVILÉS, J., & MARTIN, C. (2011). Identificación y diseño del controlador para un

sistema de regulación de caudal de líquido. Guayaquil: ESPOL.

IDENTIFICACIÓN DE UN SISTEMA DE CONTROL DE...

Documents

Transcript of IDENTIFICACIÓN DE UN SISTEMA DE CONTROL DE...